本文提出了一种基于深度学习的尺度自适应多视三维重建方法,能够处理具有不同尺度不同分辨率的图像数据集。尺度问题伴随着整个多视重建流程,从不同距离拍摄相同目标的不同影像,对于重建都有不同意义,过去的多视三维重建方法,大多使用来自同一尺度的影像数据,限制了数据源。为了克服基于多尺度影像进行重建的困难,本文提出的算法具有以下创新:1.在多视三维重建的不同阶段,引入了不同的尺度表示方法,并对原始算法进行了尺度适应性改进;2.在多视深度估计网络中,提出了多尺度循环神经网络、半全局正则化、具有几何感知能力的3D CNN等方法,来改进现有网络的多尺度适应能力。本文的多视三维重建分为影像筛选、深度图重建、点云重建和网格重建和纹理重建四个流程。首先,给出局部体素尺度的定义,使用考虑尺度信息的影像筛选规则选择用于创建深度图的影像集合。接下来,结合深度学习理论重点改进深度图重建算法,使其具备多尺度匹配和正则化能力:改进的特征提取模块Mini-UNet较常用的Uni Net更为精简且能保持精度;提出了多尺度循环神经网络和半全局代价正则化,从而将循环神经网络的感受野扩充至全局;采用了DGCNN进行级联变分深度优化,迭代地更新深度值,从而扩充解空间。然后,在点云重建和网格重建阶段,本文的方法仔细考虑了局部体素尺度与传统多视三维重建的结合方式,因此生成的模型具有最佳的可用分辨率;网格用考虑局部尺度的三维狄洛尼图割生成,生成后进行去噪。最后,纹理重建通过马尔科夫随机场创建合理的纹理,该阶段使用纹理块的梯度强度积分来刻画尺度。本文在顾及尺度适应性的基础上,还尽可能地提升算法并行性同时控制算法的空间复杂度,在DTU数据集上进行训练并与流行算法进行对比,深度图重建较COLMAP至少提速20倍,与P-MVSNet速度相当。为了验证算法的泛化能力,本文在DTU上进行训练,在ETH3D和Tanks and Temples上进行测试,精度较P-MVSNet提升7%～11%;另外,本文还在Blended MVS上进行训练,在私有数据集下进行测试,取得了较好的视觉效果。